Identifiera frekventa itemsets med Apriori
Aggregeringsövningen du utförde för näthandlaren visade sig vara till stor nytta. Den gav en utgångspunkt för att förstå vilka kategorier av produkter som förekommer ofta i transaktioner. Nu vill återförsäljaren undersöka de enskilda produkterna för att ta reda på vilka som är frekventa.
I den här övningen tillämpar du Apriori-algoritmen på näthandelsdatasetet utan att aggregera först. Målet är att beskära itemsets med hjälp av ett minimivärde för support och ett maximal-tröskelvärde för antal produkter. Observera att pandas har importerats som pd och att de one-hot-kodade data finns tillgängliga som onehot.
Den här övningen är en del av kursen
Marknadskorgsanalys i Python
Övningsinstruktioner
- Skicka
onehottill Apriori-algoritmen. - Sätt minimivärdet för support till 0,006.
- Sätt den maximala längden på itemsets till 3.
- Skriv ut en förhandsgranskning av de fem första itemsets.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import apriori from mlxtend
from mlxtend.frequent_patterns import apriori
# Compute frequent itemsets using the Apriori algorithm
frequent_itemsets = apriori(____,
____ = ____,
max_len = ____,
use_colnames = True)
# Print a preview of the frequent itemsets
print(____.head())